Mở chiếc hộp: Học máy có thể giải quyết con mèo của Schrödinger?

Năm 1935, Erwin Schrödinger đưa ra một thí nghiệm tưởng tượng mà chính ông xem như một trò đùa. Đặt một con mèo vào chiếc hộp kín cùng một nguyên tử phóng xạ, một máy đếm Geiger và một lọ thuốc độc. Nếu nguyên tử phân rã, lọ thuốc vỡ và con mèo chết. Cơ học lượng tử nói rằng trước khi có ai đó quan sát, nguyên tử nằm trong trạng thái chồng chập giữa "phân rã" và "không phân rã" — nghĩa là con mèo vừa sống vừa chết cùng một lúc.

Chín mươi năm sau, các nhà vật lý vẫn còn tranh cãi về việc "quan sát" thực sự làm gì. Trong khi đó, học máy (machine learning) đã len lỏi vào gần như mọi ngóc ngách của khoa học. Vậy câu hỏi đặt ra rất tự nhiên: liệu học máy có thể giải quyết con mèo của Schrödinger?

Câu trả lời trung thực gồm hai phần. Học máy không thể giải quyết câu đố về mặt diễn giải, bởi đó là câu hỏi về bản chất của thực tại, và không một thuật toán khớp đường cong nào trả lời được. Nhưng học máy có thể tấn công phiên bản vận hành: xác định trạng thái bên trong chiếc hộp, dự đoán khi nào chồng chập sụp đổ, và kéo dài thời gian đó lâu hơn. Đây chính là những bài toán quyết định liệu máy tính lượng tử có hoạt động được hay không.

Minh họa trạng thái chồng chập lượng tử và vai trò của học máy

Điều gì thực sự "chưa được giải quyết"?

Thí nghiệm tưởng tượng về con mèo thực chất gộp ba bài toán riêng biệt lại với nhau:

• Bài toán đo lường: Tại sao một hàm sóng trơn tru, tất định lại biến thành một kết quả xác định duy nhất?
• Chuyển tiếp lượng tử – cổ điển: Tại sao chúng ta không bao giờ thấy chồng chập ở kích thước của một con mèo trong đời sống thường ngày?
• Bài toán ước lượng trạng thái: Nếu chỉ có thể thực hiện một số phép đo phá hủy hữu hạn, làm sao tái dựng lại trạng thái ban đầu?

Bài toán đầu tiên thuộc về triết học, chia thành nhiều trường phái như Copenhagen, Đa thế giới, cơ học Bohm, các lý thuyết sụp đổ khách quan... Hai bài toán còn lại mang tính thực nghiệm, và đó là nơi dữ liệu phát huy tác dụng.

Điểm nhìn quan trọng cần tái định hình: Lý thuyết decoherence (mất kết hợp) cho rằng con mèo không "bí ẩn ở cả hai trạng thái" lâu đến vậy. Hàng nghìn tỷ nguyên tử của nó bị vướng víu với môi trường chỉ trong khoảng 10⁻²⁰ giây. Chồng chập không biến mất — nó rò rỉ ra xung quanh. Sự rò rỉ đó có thể mô hình hóa được, và bất cứ thứ gì mô hình hóa được thì đều có thể học được.

Học về con mèo mà không mở hộp: chụp cắt lớp lượng tử bằng mạng nơ-ron

Để mô tả trạng thái lượng tử của n qubit cần 2ⁿ biên độ phức. Với 50 qubit, đó là khoảng 10¹⁵ con số — nhiều hơn bất kỳ chiếc laptop nào chứa nổi. Phép chụp cắt lớp (tomography) tiêu chuẩn cũng cần số phép đo tăng theo hàm mũ. Không có trợ giúp, bạn không thể kiểm tra bên trong một chiếc hộp lớn.

Năm 2018, Torlai, Carleo và cộng sự đã chứng minh trên tạp chí Nature Physics rằng một máy Boltzmann hạn chế (Restricted Boltzmann Machine) có thể học được biểu diễn cô đọng của hàm sóng nhiều hạt từ một lượng ảnh chụp phép đo vừa phải. Mạng trở thành một trạng thái lượng tử nơ-ron (Neural Quantum State – NQS): bạn đưa vào một cấu hình và nó trả về biên độ.

Nhìn dưới góc độ khoa học dữ liệu, đây chỉ là bài toán mô hình hóa sinh chuẩn mực. Mỗi phép đo là một mẫu từ phân phối |ψ(s)|². Ta khớp mô hình pθ(s) bằng ước lượng hợp lý cực đại — y hệt cách khớp một VAE (Variational Autoencoder) với hình ảnh. Đo trong nhiều cơ sở khác nhau sẽ khôi phục cả pha.

Điều đáng nói là hệ thống thử nghiệm mà các nhà vật lý dùng có tên gọi đúng nghĩa là "trạng thái mèo" GHZ: (|000…0⟩ + |111…1⟩)/√2, trong đó mọi qubit "cùng sống" hoặc "cùng chết". Một mô hình được huấn luyện tốt sẽ học được rằng các mẫu của nó tập trung đúng ở hai cực trị đó. Nó tìm ra bản chất hai mặt của con mèo ngay trong dữ liệu.

Dự đoán khi nào con mèo "quyết định": học decoherence

Chồng chập thực tế không tồn tại mãi mãi. Chúng suy giảm khi hệ tương tác với photon lạc, phonon và nhiễu từ trường. Tốc độ suy giảm đó — thời gian kết hợp T₂ — quyết định một qubit hữu ích được bao lâu, và nó thay đổi theo từng thời điểm tùy thuộc vào các điều kiện rất khó mô hình hóa từ các nguyên lý đầu tiên.

Dự đoán sự suy giảm coherence bằng mô hình học máy

Đây là lĩnh vực mà học máy tỏa sáng. Các nhóm tại Google Quantum AI, IBM và nhiều trường đại học đã huấn luyện mô hình trên nhật ký hiệu chuẩn (nhiệt độ, biên độ xung, nhiễu xuyên kênh, thời gian kể từ lần hiệu chuẩn trước) để:

• Dự báo độ trôi T₁/T₂ bằng các mô hình chuỗi thời gian như LSTM (Long Short-Term Memory) và mạng tích chập thời gian, để lên lịch mạch trước khi qubit xuống cấp.
• Học phổ nhiễu trực tiếp từ dữ liệu bằng quá trình Gaussian, mang lại các thanh sai số mà giới vật lý luôn đòi hỏi.
• Phát hiện hiệu ứng bộ nhớ phi Markov mà phương trình chủ Lindblad tiêu chuẩn bỏ sót.

Nói theo ngôn ngữ con mèo: ta chưa thể nói tại sao chiếc hộp chọn "chết", nhưng ta đang rất giỏi dự đoán khi nào nó ngừng ở trạng thái chưa quyết định.

Giữ con mèo trong trạng thái lơ lửng: học tăng cường cho điều khiển lượng tử

Nếu decoherence là kẻ thù, bước tiếp theo hiển nhiên là chống lại nó. Trong điều khiển phản hồi lượng tử, một tác tử liên tục đo yếu hệ và áp dụng các xung hiệu chỉnh để giữ nó trong chồng chập đích.

Fösel, Tighineanu, Weiss và Marquardt (Physical Review X, 2018) đã chứng minh rằng các tác tử học tăng cường (Reinforcement Learning) sâu có thể tự tìm ra chiến lược sửa lỗi lượng tử mà không cần được dạy mã ổn định là gì. Các thí nghiệm sau đó trên phần cứng siêu dẫn dùng RL để ổn định các "qubit mèo" boson — vốn là chồng chập của hai trạng thái kết hợp của ánh sáng trong một hốc vi ba, và là phiên bản phòng thí nghiệm theo nghĩa đen nhất của con mèo Schrödinger. Những công ty như Alice & Bob và AWS đang xây dựng các bộ xử lý chịu lỗi trên nền các qubit mèo này.

Chúng ta đang huấn luyện các thuật toán trở thành những người trông mèo tận tâm nhất trong lịch sử: quan sát vừa đủ để không đánh thức con mèo, và can thiệp đúng lúc để ngăn nó "an vị".

Ứng dụng học tăng cường trong điều khiển trạng thái lượng tử

Học máy có thể chọn cách diễn giải không?

Một vài nhà nghiên cứu đã thử học "không phụ thuộc diễn giải": đưa cho mô hình dữ liệu thực nghiệm thô và xem lý thuyết nó học được giống sụp đổ hay giống phân nhánh hơn. Công trình SciNet năm 2020 của Iten, Metger và cộng sự cho thấy một mạng nơ-ron có thể tự khám phá lại các khái niệm vật lý, như mô hình nhật tâm, chỉ từ quan sát.

Nhưng mọi cách diễn giải chính thống của cơ học lượng tử đều dự đoán cùng một thống kê đo lường. Một mô hình huấn luyện trên kết quả đo, về mặt cấu trúc, không có gì để phân biệt chúng. Ngoại lệ là các mô hình sụp đổ khách quan như GRW và Diósi–Penrose, vốn dự đoán những sai lệch cực nhỏ: hiện tượng nóng lên tự phát, hoặc mất giao thoa ở các vật thể khối lượng lớn.

Ở đây học máy có việc thực sự để làm. Phát hiện bất thường trên các tập dữ liệu giao thoa kế lớn và hạt nano nâng bằng quang học có thể tìm ra những dấu hiệu mờ nhạt đó — giống cách các nhà vật lý hạt dùng học máy để lọc tín hiệu vật lý mới ra khỏi nền nhiễu của máy gia tốc LHC. Nếu sụp đổ là một quá trình vật lý, học máy có thể là thứ tìm ra nó đầu tiên.

Bài học cho các nhà khoa học dữ liệu

• Chụp cắt lớp trạng thái lượng tử chính là ước lượng mật độ. Nếu bạn đã huấn luyện một mô hình ngôn ngữ tự hồi quy, bạn đã biết gần như toàn bộ phương pháp.
• Dự báo decoherence là hồi quy chuỗi thời gian với tiên nghiệm vật lý. Mạng nơ-ron định hướng vật lý (physics-informed) và quá trình Gaussian hoạt động rất tốt ở đây.
• Điều khiển lượng tử là bài toán RL quan sát một phần, trong đó mỗi lần quan sát đều làm nhiễu môi trường.
• Hãy cảnh giác với chữ "giải quyết". Một mô hình khớp dữ liệu hoàn hảo vẫn có thể chẳng nói gì về câu hỏi bạn thực sự quan tâm.

Kết luận

Schrödinger tạo ra con mèo của mình như một phép phản chứng (reductio ad absurdum). Ngày nay nó là một mục tiêu kỹ thuật: các phòng thí nghiệm cố tình tạo ra trạng thái mèo, và học máy giúp họ quan sát, dự đoán và bảo vệ những trạng thái đó. Học máy chưa cho chúng ta biết con mèo sống hay chết trước khi quan sát. Điều nó đã làm là khiến chúng ta giỏi hơn nhiều trong việc quan sát mà không giết chết con mèo — và đó chính là điều công nghệ lượng tử phụ thuộc vào.

Chiếc hộp vẫn còn đóng, nhưng giờ đây chúng ta có thể đọc được rất nhiều điều xuyên qua lớp bìa cứng.